王文强 刘永洛 马立武

摘 要：针对传统均值漂移跟踪算法由于目标框大小不能变化，尤其当目标尺度大小发生较大变化或旋转时容易导致目标丢失的问题，提出一种联合颜色与背景信息的目标框自适应调整跟踪算法。以经典均值漂移算法为主体跟踪框架，构建前景目标颜色直方图，以Bhattacharyya距离与迭代次数作为判断下一帧目标中心位置的条件，每次迭代通过在当前帧目标框区域内建立感兴趣目标与局部背景空间模型，经快速傅里叶变换后计算当前帧与下一帧空间模型，得到尺度调节因子，作为每一帧跟踪窗口大小的权重，进而不断调整跟踪窗口尺度大小。通过自适应调整每一帧跟踪窗口的尺度调节因子，达到实时修正目标模型描述，进而提高跟踪准确性的目的，大大降低了由于目标模型固化导致的中心位置跟踪累积误差。通过对两组图像的序列仿真结果表明，改进算法相比于经典算法具有更强的鲁棒性。

关键词：均值漂移;自适应算法;颜色信息;背景信息;目标跟踪

DOI：10. 11907/rjdk. 181851

中图分类号：TP312文獻标识码：A文章编号：1672-7800（2019）002-0038-04

Abstract： For the traditional mean shift tracking algorithm， since the size of the target frame cannot be changed， especially when the size of the target scale changes or rotates， the problem of loss of the target easily happens， so an adaptive adjustment algorithm based on spatial information is proposed. Using the classical mean shift algorithm as the main body tracking framework， the color histogram of the foreground object is constructed. The condition of the target center position of the next frame is determined by the Bhattacharyya distance and the number of iterations. In each iterative procedure， the interest target and the local background space model are established within the current frame. The scale adjustment factor is obtained by calculating the current frame and the next frame after the fast Fourier transform. The adjustment factor is used as the weight of each frame tracking window size and then the tracking window size is constantly adjusted to improve the accuracy of the tracking， which greatly reduces the tracking error of the cumulative center position due to the solidification of the target model. Simulation results of 2 sets of pertinent image sequences show that the improved algorithm is more robust than the classical algorithm.

Key Words： mean shift; self-adaption algorithm; color information; background information; object tracking

0 引言

目标跟踪作为智能交通领域的重要研究课题，对于保障城市交通顺畅建设智慧城市具有重要意义[1]。运动目标跟踪实质为在一系列图像序列中找到感兴趣目标并标注出来，而Mean Shift算法作为经典的跟踪算法之一，是由Fukunaga等[2-5]提出的一种非参数概率密度梯度估计方法，其因具有计算量小、不需要设置参数等优点得到了广泛应用，而实时性好是其最突出的优势[6]，但该算法在迭代过程中易陷入局部最优解。目前衍生出许多改进算法，例如通过对感兴趣目标融合角点[7]、纹理[8-10]、梯度[11]、尺度不变特征变换[12]等特征，以减少光照变化及噪声影响，从而提高跟踪准确率，或通过融合直方图特性[13]、卡尔曼滤波[14-15]、粒子滤波[16]等经典算法解决遮挡、背景相似等问题，从而提高算法鲁棒性。文献[17]通过对RGB颜色空间各个分量进行加权建模，进而建立可区分度，可一定程度上提高算法鲁棒性，但针对相似背景干扰的情况效果较差;文献[18]利用Adaboost弱分类器进行特征自适应融合，跟踪精度提高但计算量较大，因此实时性较差。近几年匹配型跟踪算法成为研究热点，文献[19]利用模板空间的稀疏性，将特征从高维降到低维进而实现跟踪，从而在出现遮挡、光照变化时，具有更强的鲁棒性。但其对前景目标与其领域内的背景关系缺乏考虑，尤其是当目标尺度大小发生重大变化或旋转时，容易跟丢目标[20]。本文主要针对以上两种情况，提出一种融合前景目标空间信息的自适应跟踪算法，首先对初始帧感兴趣目标建立颜色直方图作为目标模型，然后在目标框区域通过快速傅里叶变换得到频谱图，最后计算目标模型与背景模型的置信度，得到目标框调节因子，从而实现对目标的自适应跟踪。